سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب

در این پست سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب قرار داده شده است. الگوریتم گرگ خاکستری بهبود یافته که با عنوان An improved grey wolf optimizer algorithm for the inversion of geoelectrical data در سال 2018 در ژورنال Acta Geophysica از انتشارات Springer چاپ شده است. مقاله اصلی این الگوریتم در زیر موجود است و می توانید آن را دانلود کنید.

قبل از توضیح و تشریح سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب ابتدا توضیح مختصری از الگوریتم گرگ خاکستری ارائه می شود و سپس در ادامه به تشریح الگوریتم گرگ خاکستری بهبود یافته خواهیم پرداخت.

الگوریتم گرگ خاکستری چیست؟

الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک یا فرا ابتکاری است است و برای مسائل بهینه سازی از آن استفاده می شود. که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن و حمله به طعمه الهام گرفته است. این الگوریتم مبتنی بر جمعیت Population-Based بوده، روال ساده ای دارد. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می شود.

سلسله مراتب در الگوریتم گرگ خاکستری بهبود یافته

  • گرگ های رهبر گروه alpha نامیده می شوند که می توانند مذکر یا مونث باشند. این گرگ ها بر گله تسلط دارند
  • گرگ های beta: کمک به گرگ های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن ها هستند.
  • گرگ های delta: پایین تر از گرگ های beta و شامل گرگ های پیر، شکارچی ها و گرگ های مراقبت کننده از نوزادان
  • گرگ های omega: پایین ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می خورند و در فرایند تصمیم گیری مشارکتی ندارند.

روش شکار در گرگ های خاکستری :

شامل ۳ مرحله اصلی است:

  1. مشاهده شکار، ردیابی و تعقیب آن (tracking and approaching)
  2. نزدیک شدن، احاطه کردن (حلقه زدن) به دور شکار و گمراه کردن آن تا زمانی که از حرکت باز بماند (Pursing and encircling)
  3. حمله به شکار (attacking)

بهینه سازی با استفاده از گرگ های alpha, beta و delta انجام می شود. یک گرگ به عنوان alpha هدایت کننده اصلی الگوریتم فرض می شود و یک گرگ beta و delta نیز مشارکت دارند و بقیه گرگ ها به عنوان دنبال کننده آن ها محسوب می شوند. گرگ های خاکستری توانایی تخمین موقعیت شکار را دارند. در جستجوی اولیه هیچ ایده ای در مورد موقعیت شکار نداریم. فرض می شود گرگ های alpha, beta, delta دانش اول بهتری در خصوص موقعیت شکار دارند.

ترتیب الگوریتم

  • برازندگی کلیه جواب ها محاسبه شده و سه جواب برتر به عنوان alpha, beta, deltaتا پایان الگوریتم انتخاب می شوند.
  • در هر تکرار سه جواب برتر (گرگ های alpha, beta, delta) قابلیت تخمین موقعیت شکار را داشته و این کار را در هر iteration با استفاده از رابطه زیر انجام می دهند:
  • در هر تکرار بعد از تعیین موقعیت گرگ های alpha, beta, delta، آپدیت موقعیت بقیه جواب ها با تبعیت از آن ها انجام می شود.
  • در هر تکرار بردار a (و به تبع آن A) و C آپدیت می شوند.
  • در پایان تکرارها موقعیت گرگ alpha به عنوان نقطه بهینه معرفی می شود.

برای درک کامل الگوریتم گرگ خاکستری پایه یا استاندارد مقاله ای کامل در همین سایت قرار داده ایم که می توانید مشاهده کنید. همچنین فیلم آموزشی الگوریتم گرگ خاکستری بصورت کامل همراه با مثال عددی در همین سایت قرار دارد که می توانید برای درک کامل از آنها استفاده کنید.


فیلم آموزش الگوریتم گرگ خاکستری GWO در متلب


الگوریتم گرگ خاکستری بهبود یافته IGWO

الگوریتم گرگ خاکستری بهبود یافته یا IGWO که اختصار Improved Grey Wolf Optimizer است برای بهبود در الگوریتم پایه گرگ خاکستری ارائه شده است. طبق مقاله اصلی بهبود یافته دو مورد اشکال در الگوریتم پایه وجود دارد که می تواند بهبود یابد یکی در مورد ضریب همگرایی که در الگوریتم پایه با نام متغیر a شناخته می شود و دوم در مورد نحوه استراتژی تعیین موقعیت جدید یک گرگ که بصورت معدل حرکت سه گرگ alpha، beta و delta تعیین می شود. پس برای بهبود الگوریتم گرگ خاکستری دو قسمت از این الگوریتم اصلاح می شود.

  1. تغییر ضریب همگرایی
  2. تغییر در معادله محاسبه جدید موقیت هر گرگ

تغییر ضریب همگرایی

ضریب همگرایی a در الگوریتم GWO بصورت خطی از 2 تا 0 متغیر است. در این مقاله (بهبود الگوریتم گرگ خاکستری) ، معادله ضریب همگرایی به ترتیب زیر برای تعادل بهتر بین اکتشاف و بهره برداری تغییر یافته است:

الگوریتم گرگ خاکستری بهبود یافته

در معادله بالا ، عامل همگرایی a به عنوان یک تغییر نمایی توصیف شده است ، همانطور که در شکل پایین نشان داده شده است. در الگوریتم اصلی GWO ، نیمی از تکرارها برای اکتشاف و نیمی دیگر به بهره برداری اختصاص داده شده است. با استفاده از ضریب همگرایی اصلاح شده ، تعداد بیشتری از تکرارها برای اکتشافات استفاده می شود ، که برای جلوگیری از حداقل های محلی مفید است. با استفاده از این نوع ضریب همگرایی غیرخطی ، درصد تکرارهای مورد استفاده برای اکتشاف و بهره برداری به ترتیب تقریباً %60 و %40 است.

الگوریتم IGWO

تغییر در معادله محاسبه جدید موقیت هر گرگ

موقعی جدید هر گرگ در مقاله پایه بر اساس موقعیت سه گرگ آلفا، بتا و دلتا مشخص می شود که فرمول های زیر نشان دهنده موقعیت جدید گرگ آلفا X1، گرگ بتا X2 و گرگ دلتا X3 است. موقعیت جدید یک گرگ امگا از میانگین موقعیت سه گرگ دیگر بدست می آید.

الگوریتم IGWO

اشکال این معادله در نگاه یکسان به موقعیت سه گرگ اصلی یعنی آلفا، بتا و دلتا می باشد. چرا که از معدل این سه گرگ موقعت جدید گرگ امگا بدست می آید در حالی که این نگرش به دور از موقیت اجتماعی در گله گرگ ها می باشد. در روش بهبود یافته الگوریتم انتخاب موقیت گرگ امگا بر اساس درصد برتری سه گرگ با توجه به هرم سلسله مراتب اعمال می شود.

الگوریتم IGWO

یعنی موقعیت جدید گرگ امگا بر اساس یک وزن منطبق بر سلسله مراتب بدست می آید که در صد بیشتری از گرگ آلفا و درصد کمتری از دو گرگ دیگر داشته باشد. در فرمول بالا Q نشانگر امتیاز یا همان Fittness یک گرگ است. به این ترتیب گرگ امگا درصد های متفاوتی از سه گرگ با توجه به سلسله مراتب شان بدست می آورد.

کد متلب الگوریتم گرگ خاکستری بهبود یافته IGWO

در این سورس کد ما دو الگوریتم گرگ خاکستری معمولی GWO و بهبود یافته IGWO را باهم مقایسه کردیم. توابع تست زیادی برای مقایسه الگوریتم های فرا اکتشافی وجود دارد که ما از 23 تابع تست از F1 تا F23 استفاده کرده ایم. در ادامه قسمتی از این سورس کد آورده شده است.

ویدئوی معرفی محصول

درباره محصول

سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.

1 دیدگاه برای سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب

  1. programstore

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.

اطلاعات فروشنده